交通场景生成

交通场景生成（Traffic Scenario Generation）是自动驾驶仿真系统的核心环节。高质量、高覆盖率的测试场景是验证自动驾驶系统安全性的前提条件。据估计，自动驾驶系统需要行驶超过 \(10^{11}\) 公里才能在统计意义上证明其安全性优于人类驾驶员，纯靠实车路测不可行，因此仿真场景生成成为必经之路。

本章介绍场景生成的主要方法，包括：场景描述语言、基于规则的生成、数据驱动挖掘、对抗性生成、角落案例枚举、参数化与变异、复杂度度量，以及大规模场景管理。

1. 场景描述语言

场景描述语言为仿真场景提供标准化、可复现的表达方式，是场景生成流水线的基础。

1.1 OpenSCENARIO

OpenSCENARIO 是 ASAM 组织制定的基于 XML 的场景描述标准，被 CARLA、esmini、VTD 等主流仿真器广泛支持。

核心概念：

概念	说明
Entities	场景中的参与者（主车、NPC 车辆、行人等）
Actions	参与者可执行的动作（变道、加速、跟车等）
Events	触发动作的条件（距离触发、时间触发、碰撞触发等）
Story	由多个 Act 组成的剧情，每个 Act 包含多个 Maneuver
Storyboard	顶层容器，包含 Story 和全局触发条件

示例：Cut-in 场景

<?xml version="1.0" encoding="UTF-8"?>
<OpenSCENARIO>
  <FileHeader revMajor="1" revMinor="1" date="2025-01-01"
              description="Cut-in scenario" author="example"/>
  <RoadNetwork>
    <LogicFile filepath="Town04.xodr"/>
  </RoadNetwork>
  <Entities>
    <ScenarioObject name="Ego">
      <Vehicle name="vehicle.tesla.model3" vehicleCategory="car"/>
    </ScenarioObject>
    <ScenarioObject name="Adversary">
      <Vehicle name="vehicle.bmw.grandtourer" vehicleCategory="car"/>
    </ScenarioObject>
  </Entities>
  <Storyboard>
    <Story name="CutInStory">
      <Act name="CutInAct">
        <ManeuverGroup name="AdversaryManeuvers">
          <Actors selectTriggeringEntities="false">
            <EntityRef entityRef="Adversary"/>
          </Actors>
          <Maneuver name="LaneChange">
            <Event name="CutInEvent" priority="overwrite">
              <Action name="LaneChangeAction">
                <PrivateAction>
                  <LateralAction>
                    <LaneChangeAction>
                      <LaneChangeActionDynamics dynamicsShape="sinusoidal"
                                                 value="3.0"
                                                 dynamicsDimension="time"/>
                      <LaneChangeTarget>
                        <RelativeTargetLane entityRef="Ego" value="0"/>
                      </LaneChangeTarget>
                    </LaneChangeAction>
                  </LateralAction>
                </PrivateAction>
              </Action>
              <StartTrigger>
                <ConditionGroup>
                  <Condition name="DistanceTrigger"
                             conditionEdge="rising" delay="0">
                    <ByEntityCondition>
                      <TriggeringEntities triggeringEntitiesRule="any">
                        <EntityRef entityRef="Adversary"/>
                      </TriggeringEntities>
                      <EntityCondition>
                        <RelativeDistanceCondition entityRef="Ego"
                            relativeDistanceType="longitudinal"
                            value="20.0" rule="lessThan"/>
                      </EntityCondition>
                    </ByEntityCondition>
                  </Condition>
                </ConditionGroup>
              </StartTrigger>
            </Event>
          </Maneuver>
        </ManeuverGroup>
      </Act>
    </Story>
  </Storyboard>
</OpenSCENARIO>

1.2 GeoScenario

GeoScenario 基于 GeoJSON 格式，将场景直接绑定到真实地理坐标系，适合基于高精地图的场景表达。其优势在于与地理信息系统（GIS）工具链天然兼容。

1.3 Scenic 概率编程语言

Scenic 是由 UC Berkeley 开发的概率编程语言，专为自动驾驶场景生成设计。其核心思想是将场景描述为一个带约束的概率分布，支持从分布中采样生成具体场景实例。

# Scenic 示例：生成一个前方有障碍车辆的场景
param map = localPath('town04.xodr')
param carla_map = 'Town04'

ego = new Car on road
leading = new Car on road,
    ahead of ego by Range(10, 30),
    with speed Range(5, 15)

require leading can see ego
require (distance to leading) > 8

Scenic 的核心特性：

• 空间关系运算符：ahead of、behind、left of、visible from 等
• 概率分布：Range(a, b)、Normal(mu, sigma)、Uniform(a, b, c)
• 软硬约束：require（硬约束）、require[p]（软约束，以概率 \(p\) 满足）
• 可组合性：可导入和继承已有场景进行扩展

2. 基于规则的场景生成

基于规则的方法通过预定义的驾驶行为模板和参数范围，系统性地生成测试场景。

2.1 典型场景模板

场景类别	关键参数	典型参数范围
跟车（Car Following）	初始车距、主车速度、前车减速度	车距 10–50 m，速度 30–120 km/h，减速度 0–8 m/s²
切入（Cut-in）	切入车相对距离、切入时间、切入角度	距离 5–30 m，时间 1–5 s，角度 5°–30°
交叉路口（Intersection）	交叉角度、对向车速度、信号灯状态	角度 60°–120°，速度 20–60 km/h
障碍物避让	障碍物类型、偏移量、可见距离	偏移 0–3 m，可见距离 20–100 m
行人横穿	横穿速度、起始位置、遮挡物	速度 1–6 m/s，距路口 0–20 m
超车	对向车距离、同向慢车速度、可用车道宽度	对向距离 50–300 m，慢车速度 30–60 km/h

2.2 参数化生成流程

场景模板定义 → 参数空间划分 → 采样策略选择 → 场景实例化 → 仿真执行 → 结果评估

常用采样策略包括：

• 网格采样：对每个参数均匀离散化后做全组合，覆盖全面但指数爆炸
• 拉丁超立方采样（LHS）：保证每个参数维度上的均匀覆盖，效率远高于网格采样
• Sobol 序列：低差异序列，兼顾均匀性和随机性

3. 数据驱动的场景挖掘

从真实道路测试数据中自动发现有价值的测试场景，是提升仿真场景真实性和覆盖率的重要途径。

3.1 关键事件检测

从行车记录中检测具有测试价值的片段：

检测指标	定义	阈值示例
TTC（Time To Collision）	按当前速度到碰撞的时间	TTC < 3 s
THW（Time Headway）	车头时距	THW < 1.0 s
PET（Post-Encroachment Time）	两车先后经过同一冲突点的时间差	PET < 1.5 s
急刹车	纵向减速度超过阈值	\(a_x < -4 \text{ m/s}^2\)
急转向	横向加速度超过阈值	\(a_y > 3 \text{ m/s}^2\)
偏离车道	横向偏移超过车道宽度比例	偏移 > 0.3 × 车道宽度

3.2 场景聚类

将检测到的关键事件聚类为代表性场景类别：

K-Means 聚类：

将每个场景片段表示为特征向量 \(\mathbf{x}_i = [v_{ego}, v_{obj}, d, \theta, a_{lat}, ...]\)，优化目标为最小化类内距离：

\[J = \sum_{k=1}^{K} \sum_{\mathbf{x}_i \in C_k} \|\mathbf{x}_i - \boldsymbol{\mu}_k\|^2\]

DBSCAN 密度聚类：

适合发现任意形状的场景簇，不需要预设簇数。通过邻域半径 \(\varepsilon\) 和最小样本数 \(MinPts\) 两个参数控制，能自动将稀疏区域的场景标记为噪声点（离群场景）。

3.3 行为克隆生成交通参与者

利用真实驾驶数据训练交通参与者的行为模型：

\[\pi_\theta(a_t | s_t) = \arg\max_\theta \sum_{t=1}^{T} \log \pi_\theta(a_t^{expert} | s_t)\]

其中 \(s_t\) 为交通环境状态，\(a_t^{expert}\) 为真实驾驶员的动作，\(\pi_\theta\) 为参数化策略网络。训练后的模型可驱动仿真中的 NPC 车辆，生成更真实的交通流。

4. 对抗性场景生成

对抗性场景生成旨在主动搜索可能导致自动驾驶系统失效的场景，是安全验证的关键手段。

4.1 优化问题建模

将对抗性场景搜索建模为优化问题：

\[\mathbf{x}^* = \arg\max_{\mathbf{x} \in \mathcal{X}} \; R(\mathbf{x})\]

\[\text{s.t.} \quad g_i(\mathbf{x}) \leq 0, \quad i = 1, ..., m\]

其中：

• \(\mathbf{x}\) 为场景参数向量（车辆位姿、速度、天气、行人行为等）
• \(\mathcal{X}\) 为合理的场景参数空间
• \(R(\mathbf{x})\) 为风险度量函数（如碰撞概率、最小 TTC 的负值）
• \(g_i(\mathbf{x})\) 为自然性约束（保证生成的场景物理合理）

4.2 搜索算法

遗传算法（GA）：

将场景参数编码为染色体，通过选择、交叉、变异操作进行进化搜索：

初始化种群 P₀ (N 个随机场景)
for generation = 1, 2, ..., G:
    评估适应度: fitness(xᵢ) = R(xᵢ)
    选择: 基于适应度轮盘赌选择
    交叉: 单点/多点交叉生成子代
    变异: 以概率 pₘ 对参数高斯扰动
    更新种群: P_{t+1} = 选择(父代 ∪ 子代)
返回最优个体

贝叶斯优化：

使用高斯过程（GP）作为代理模型，通过采集函数（Acquisition Function）平衡探索与利用：

\[\alpha_{EI}(\mathbf{x}) = \mathbb{E}\left[\max(R(\mathbf{x}) - R^+, 0)\right]\]

其中 \(R^+\) 为当前已知最优风险值。贝叶斯优化在场景参数维度较低（\(< 20\)维）时效率极高。

4.3 强化学习对抗智能体

训练一个对抗性智能体控制 NPC 车辆，目标为最大化与被测自动驾驶系统（ADS）的碰撞概率：

\[\max_{\pi_{adv}} \mathbb{E}_{\tau \sim \pi_{adv}} \left[\sum_{t=0}^{T} \gamma^t r_t \right]\]

其中奖励函数设计需平衡对抗性和自然性：

\[r_t = \underbrace{w_1 \cdot r_{collision}}_{\text{碰撞奖励}} + \underbrace{w_2 \cdot r_{nearness}}_{\text{接近奖励}} - \underbrace{w_3 \cdot r_{unnature}}_{\text{非自然惩罚}}\]

常用算法包括 PPO、SAC、MADDPG（多智能体场景）。非自然惩罚项约束 NPC 的行为不偏离真实交通流太远，避免生成无意义的"自杀式"碰撞场景。

5. 角落案例枚举

角落案例（Corner Case）是指在正常驾驶中极少出现、但可能导致系统失效的极端场景。

5.1 角落案例分类

类别	描述	示例
感知失效	传感器无法正确识别目标	反光路面导致相机过曝、黑色车辆在夜间不可见
预测失效	目标行为超出预测模型覆盖范围	行人突然折返、车辆逆行
遮挡场景	关键目标被其他物体遮挡	"鬼探头"——行人从停靠车辆后突然出现
极端天气	恶劣天气降低传感器性能	暴雨、大雾、强逆光、冰雪路面
罕见物体	训练数据中缺乏的目标类别	掉落货物、动物、特种车辆、施工设备
基础设施异常	道路/标志/信号异常	临时改道、信号灯故障闪烁、车道线磨损
多重组合	多个边缘条件同时出现	雨天 + 弯道 + 行人横穿 + 遮挡

5.2 生成方法

• 知识驱动：由安全专家根据事故数据库（如 NHTSA、GIDAS）梳理角落案例清单
• 规则穷举：将环境因素（天气、光照、道路类型）和交通因素（参与者类型、行为模式）做组合穷举
• 反向推理：从已知系统缺陷（如特定条件下的检测失败）反向构造触发场景
• GAN 生成：训练生成对抗网络，在传感器输入空间中生成对抗性样本（如对抗性纹理、雨滴模拟）

6. 场景参数化与变异

6.1 参数化场景模板

将场景抽象为模板 + 参数的形式：

\[\mathcal{S} = \mathcal{T}(\mathbf{p}), \quad \mathbf{p} = [p_1, p_2, ..., p_n] \in \mathcal{P}\]

其中 \(\mathcal{T}\) 为场景模板，\(\mathbf{p}\) 为参数向量，\(\mathcal{P}\) 为参数空间。例如"Cut-in 场景"模板的参数空间为：

参数	符号	范围	分布
主车速度	\(v_{ego}\)	[60, 120] km/h	均匀分布
切入车初始纵向偏移	\(\Delta x\)	[10, 40] m	均匀分布
切入车初始横向偏移	\(\Delta y\)	[3.0, 4.5] m	正态分布
切入持续时间	\(t_{lc}\)	[1.5, 5.0] s	均匀分布
切入车最终速度差	\(\Delta v\)	[-20, 10] km/h	正态分布
天气	\(w\)	{晴, 阴, 小雨, 大雨, 雾}	离散分布

6.2 组合测试

当参数空间维度较高时，全组合测试不可行。覆盖数组（Covering Array）提供了一种高效替代方案：

• \(t\)-维覆盖：保证任意 \(t\) 个参数的所有值组合至少出现一次
• 典型选择 \(t = 2\)（成对覆盖）或 \(t = 3\)（三维覆盖）
• 用例数从全组合的 \(O(\prod_i |D_i|)\) 降低到 \(O(\max_i |D_i|^t \cdot \log n)\)

6.3 重要性采样

对场景参数空间进行非均匀采样，将更多仿真资源集中在高风险区域：

\[\hat{P}_{fail} = \frac{1}{N} \sum_{i=1}^{N} \mathbb{1}[f(\mathbf{x}_i) \in \text{Fail}] \cdot \frac{p(\mathbf{x}_i)}{q(\mathbf{x}_i)}\]

其中 \(p(\mathbf{x})\) 为场景的真实分布，\(q(\mathbf{x})\) 为重要性分布（偏向于高风险区域采样）。通过交叉熵方法（Cross-Entropy Method）可以自适应地更新 \(q(\mathbf{x})\)：

1. 从当前提议分布 \(q_k\) 中采样 \(N\) 个场景
2. 执行仿真，评估风险 \(R(\mathbf{x}_i)\)
3. 选取风险值排名前 \(\rho\)% 的精英样本
4. 用精英样本拟合更新后的提议分布 \(q_{k+1}\)
5. 重复直到收敛

7. 场景复杂度度量

为了评估场景的测试价值和区分难度，需要定义场景复杂度的量化指标。

7.1 关键性度量指标

指标	公式 / 定义	说明
最小 TTC	\(TTC_{min} = \min_t TTC(t)\)	整个场景中最危险时刻的碰撞时间
最小距离	\(d_{min} = \min_t d_{ego, obj}(t)\)	主车与最近障碍物的最小距离
必要减速度	\(a_{req} = \frac{v_{rel}^2}{2 \cdot d}\)	避免碰撞所需的最小制动减速度
反应时间裕度	\(\Delta t = TTC - t_{react}\)	碰撞时间减去系统反应时间
责任敏感安全（RSS）距离	基于 Mobileye RSS 模型	主车是否保持了 RSS 安全距离

7.2 综合复杂度评分

将多维指标归一化后加权求和：

\[C(\mathcal{S}) = \sum_{j=1}^{M} w_j \cdot \tilde{m}_j(\mathcal{S})\]

其中 \(\tilde{m}_j\) 为第 \(j\) 个归一化指标，\(w_j\) 为权重。权重可以通过层次分析法（AHP）或专家打分确定。

场景难度分级参考：

等级	综合评分	典型特征
L1（简单）	0.0–0.2	直道跟车、无交互
L2（一般）	0.2–0.4	简单变道、低速交叉
L3（中等）	0.4–0.6	多车交互、中速切入
L4（困难）	0.6–0.8	密集交通、遮挡、恶劣天气
L5（极端）	0.8–1.0	多重角落案例叠加

8. 大规模场景管理

工业级自动驾驶仿真测试涉及数百万甚至数十亿个场景，需要系统化的管理方案。

8.1 场景数据库架构

┌─────────────────────────────────────────────────┐
│                 场景数据库                        │
├──────────┬──────────┬──────────┬────────────────┤
│  元数据层  │  场景层   │  结果层   │   索引层       │
├──────────┼──────────┼──────────┼────────────────┤
│ - 场景ID   │ - 模板    │ - 通过/失败│ - 标签索引     │
│ - 创建时间  │ - 参数    │ - 关键指标 │ - 全文检索     │
│ - 来源     │ - 地图    │ - 日志路径 │ - 向量检索     │
│ - 版本     │ - 天气    │ - 复现种子 │ - 参数范围索引  │
│ - 标签     │ - 参与者  │ - 覆盖度   │               │
└──────────┴──────────┴──────────┴────────────────┘

8.2 版本控制

场景随 ADS 版本迭代而演化，版本管理要点：

• 场景版本化：每个场景有唯一 ID 和版本号，修改参数后递增版本
• 基线管理：维护各版本 ADS 对应的回归测试场景集（Baseline Suite）
• 差异追踪：新版本场景集与旧版本的增量对比，追踪新增/删除/修改的场景
• 可复现性：记录随机种子、仿真器版本、地图版本等，确保结果可复现

8.3 标签与检索

多维标签体系支持灵活的场景检索：

标签维度	示例值
功能场景（ODD）	高速公路、城市道路、停车场
天气条件	晴天、雨天、雾天、雪天、夜间
参与者类型	乘用车、卡车、两轮车、行人、动物
关键行为	切入、急刹、逆行、闯红灯、鬼探头
测试结果	通过、失败、边界
来源	规则生成、数据挖掘、对抗生成、专家编写
关键性等级	L1–L5

典型查询示例：

SELECT scenario_id, parameters, criticality_score
FROM scenarios
WHERE odd_tag = '城市道路'
  AND weather IN ('雨天', '雾天')
  AND behavior_tag = '行人横穿'
  AND criticality_level >= 'L3'
  AND test_result = '失败'
ORDER BY criticality_score DESC
LIMIT 100;

参考资料

1. ASAM OpenSCENARIO V1.1 User Guide. ASAM e.V., 2022.
2. Fremont D J, Dreossi T, Ghosh S, et al. Scenic: A Language for Scenario Specification and Scene Generation. PLDI, 2019.
3. Feng S, Feng Y, Yu C, et al. Testing Scenario Library Generation for Connected and Automated Vehicles, Part I: Methodology. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(3): 1555–1567.
4. Feng S, Feng Y, Sun H, et al. Testing Scenario Library Generation for Connected and Automated Vehicles, Part II: Case Studies. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(3): 1568–1581.
5. Ding W, Chen B, Li B, et al. A Survey on Safety-Critical Driving Scenario Generation — A Methodological Perspective. IEEE Transactions on Intelligent Transportation Systems, 2023.
6. Klischat M, Althoff M. Generating Critical Test Scenarios for Automated Vehicles with Evolutionary Algorithms. IEEE Intelligent Vehicles Symposium, 2019.
7. Sun C, Schwartz M, Bhatt S, et al. Corner Cases for Visual Perception in Automated Driving: Some Guidance on Detection Approaches. arXiv preprint arXiv:2102.05897, 2021.
8. Riedmaier S, Ponn T, Ludwig D, et al. Survey on Scenario-Based Safety Assessment of Automated Vehicles. IEEE Access, 2020, 8: 87456–87477.
9. Shalev-Shwartz S, Shammah S, Shashua A. On a Formal Model of Safe and Scalable Self-driving Cars. arXiv preprint arXiv:1708.06374, 2017.
10. Menzel T, Bagschik G, Maurer M. Scenarios for Development, Test and Validation of Automated Vehicles. IEEE Intelligent Vehicles Symposium, 2018.